機載系統通用故障診斷軟件平臺設計

曹 琪, 柯 旭, 宋博文, 莫文靜

(航空工業成都飛機工業(集團)有限責任公司,四川 成都 610073)

機載設備是飛機上必不可少的功能保障系統、也是典型的復雜系統。各機載設備是否可以穩定、有效地工作,直接決定了飛機能否可靠地正常運行、完成任務并安全返航[1]。但隨著技術的發展與需求的提高,其智能化、綜合化的程度仍在不斷提高,其功能與結構也更加復雜與多樣,導致單元之間的關聯關系錯綜復雜,進而使得機載設備在出現故障時,故障不再以孤立形式存在,而更多的是呈現出關聯故障模式[2]。因此,當故障發生后,如缺乏及時的故障檢測及隔離機制,將會造成系統失效,甚至導致難以承受的災難性后果。

機載設備故障診斷平臺提供的主要服務是接收測試數據,然后基于對象本體及專家提供的原始知識,或從數據提煉歸納出的知識進行故障的推理判斷,得到可有效指導后續故障處理工作開展的診斷結果。

針對機載系統故障診斷,目前主流的故障診斷方法研究分為以下3類[3]。

① 基于多信號流圖模型的故障診斷方法。如文獻[4]和文獻[5]中基于故障樹模型的方法,分別針對自動飛行系統和發動機開展了故障診斷系統的研究,研究結果表明基于模型的故障診斷方法雖然可在一定程度上實現對新故障的預測,但預測結果易受模型本身影響,一旦模型構建不全面或錯誤,將直接導致診斷結果無效。

② 基于專家知識系統的故障診斷方法。該方法雖然可有效解決機載設備中的實際故障問題,如文獻[6]針對飛機航空電子設備建立了故障診斷的專家知識系統,并通過規則推理及 Hash 算法實現了故障的快速檢索及定位,但其故障診斷的準確率和效率易受知識庫知識的準確性和知識庫規模的影響,尤其針對復雜系統的故障診斷,知識庫將隨系統規模的增加急劇擴大并呈現復雜化狀態,進而導致診斷效率急劇下滑。

③ 基于數據驅動的故障診斷方法。與上述2種定性分析方法不同的是該方法可實現對故障的定量分析,可結合主流的機器學習或深度學習算法直接處理大量的測試數據,分析挖掘其潛在的特征,進而實現機載設備潛在故障的有效識別與預測,如文獻[7]。此外,基于數據驅動的故障診斷方法與上述2種方法相比,可有效降低對先驗知識的依賴,但其樣本數據的質量與大小直接決定所提取故障特征的有效性,特征無效將直接導致無法有效識別出潛在故障,且目前暫未有公開的機載設備故障診斷測試數據集,在實際應用中須提前布局,采集機載設備故障數據,因此故障診斷實現周期長,短時間內無法快速投入現場使用。

而現有常用機載設備故障診斷軟件平臺大多僅針對特定對象選取上述方法之一設計實現,存在診斷策略單一、診斷理論基礎弱、診斷知識復用性與共享性差和診斷平臺通用性低等問題。例如文獻[8]中的機載CPU板硬件故障診斷平臺設計,可有效定位CPU板硬件故障;但其針對性較強,知識復用性與共享性差,平臺很難通用化。已有的少量針對通用測試診斷平臺的相關研究中,多以通用測試為主,弱化了故障診斷部分,且平臺所支持的診斷方法單一。例如文獻[9]提出的一種基于模型的通用故障診斷平臺;文獻[10]提出的基于混合總線的機載電子設備通用測試診斷平臺設計,其診斷方法主要是以數據驅動為主,輔以專家系統模糊推理機,雖然具有較強的可擴展性與通用性,但診斷實現需要大量的高質量數據,即診斷結果的可解釋性易受數據規模大小以及數據質量好壞的影響。因此在面對不同場景、不同對象的需求時,上述通用診斷平臺均無法支持現場測試診斷人員根據實際需求快速選擇更有效的故障診斷方法,進而導致平臺的通用性大打折扣。

因此,機載設備通用故障診斷平臺應有機結合3類故障診斷方法,通過將基于模型和專家知識系統的診斷輸出作為基于數據驅動的樣本數據基礎,將基于數據驅動的輸出反饋至知識庫,以提高診斷結果的質量與平臺的通用性。為進一步提高機載設備故障診斷水平,滿足關鍵裝備技術國產化需要,本文設計一款機載設備通用故障診斷軟件平臺,在搭載3種診斷方法的基礎上,實現對知識的科學管理、表示與復用共享,以及對故障的快速響應與精準定位。

1 需求分析

機載系統故障診斷,尤其是軍機的故障診斷與傳統大眾商品的故障診斷不同,其設計、生產和使用各階段的診斷方式不同,且不同機載設備的診斷方式差別也很大,為實現機載系統的通用故障診斷,要求診斷軟件整合多種診斷方法實現混合驅動。

針對在地面環境(如總裝測試)中機載設備測試成本高、故障種類多、診斷排故難等問題,為提高診斷效率、準確性與通用性,需要研制機載系統通用故障診斷平臺,具體要求如下。

① 支持多級的權限管理、允許用戶實現賬號信息的注冊、登錄和修改等功能;

② 支持對機載設備的結構信息、故障信息、測點與測試信息進行增、刪、改、查;

③ 支持多信號流圖(Multi-Signal Flow Graph,MSFG)的圖形化建模;

④ 支持故障模式、影響及危害性分析(Failure Mode Effects and Criticality Analysis,FMECA)文件的載入與自動解析;

⑤ 支持基于模型生成故障-測試依賴矩陣(又稱D矩陣);

⑥ 支持對模型進行測試性參數分析;

⑦ 支持基于TEAMS-RT算法的故障推理;

⑧ 支持專家規則的增、刪、改、查、在線編輯和綁定;

⑨ 支持可執行任務的增、刪、改、查;

⑩ 支持離線上傳數據以執行專家規則任務,獲得基于專家知識的診斷結果,支持診斷結果的下載;

2 軟件設計

2.1 架構設計

為提高機載系統故障診斷平臺的可擴展性、降低機載系統測試診斷成本、提升診斷系統的通用性與診斷過程的可監視性,系統設計采用B/S架構,將平臺前端與后端進行解耦處理,可有效滿足基于云平臺的部署需求。其中平臺前端瀏覽器具有人機交互界面,提供外部數據導入、故障建模、診斷推理、診斷查詢等用戶指令的接收功能,與后端建立通信并將后端的響應數據以可視化的形式反饋至用戶;后端服務器響應前端請求,提供基于數據庫的數據存儲與管理、用戶管理、網絡通信、故障診斷業務邏輯與實現等功能,完成前端指令的執行工作。故障診斷軟件平臺架構如圖1所示,包含以下5層。

圖1 故障診斷軟件平臺架構圖

① UI應用層:為用戶提供作為平臺基礎與具備核心功能的人機交互界面,通過診斷知識、模型和結果的可視化配置,有效提供診斷過程的可監視性。

② 數據交互層:提供前后端信息交互傳遞接口,以保證平臺的穩定應用。

③ 業務邏輯層:平臺功能實現的核心層,完成平臺的數據處理、診斷模型構建和推理等工作,采用模塊化的方式構建,減少了各功能之間的耦合程度,便于軟件維護。

④ 中間件層:提供后端框架引擎與基礎配置工具。

⑤ 數據層:以數據庫為主,獨立文件為輔,實現診斷知識、測試數據、診斷記錄、平臺信息等數據的存儲。

2.2 核心功能設計

為有效提升故障診斷平臺的通用性,設計了模型、數據、專家知識驅動的混合診斷方法,軟件平臺功能模塊如圖2所示,這樣用戶可以根據診斷需求自由選擇1個或多個診斷方法,以更好地服務于不同機載設備的多樣輸入輸出形式。此外,為提升軟件平臺的適用性,設計了必要的輔助管理功能,包括用戶管理和診斷結果管理。

圖2 軟件平臺功能模塊圖

2.2.1 基于多信號流圖模型的故障診斷模塊

鑒于多信號流圖[11]可清晰表示故障與測點關系,可直接用于故障診斷,且在文獻[12]和文獻[13]中應用多信號流圖實現了對多種機載設備的有效診斷,因此將其作為核心模塊之一,軟件主要通過多信號流圖建模以及TEAMS-RT算法[14-15]實現。基于多信號流圖模型的故障診斷流程如圖3所示。

圖3 基于模型的故障診斷流程

傳統的多信號流圖建模需要技術人員根據診斷對象的系統結構與原理分析手動建模,本文為提高建模效率,充分利用系統設計時提供的故障模式、影響和危害分析FMECA文件,通過FMECA載入模塊快速實現故障模式提取,以省去煩瑣的建模過程,讓技術人員更關注于信號傳遞、故障模式之間的關系,提高建模效率。技術人員利用多信號流圖建模模塊與已載入的FMECA故障信息,以信號、部件故障與測點為主要元素建立多信號流圖,即完成模型的構建。

基于建立的多信號流圖,測試性分析模塊將其轉化為D矩陣,并計算相關測試行參數。一般地, D矩陣的行對應一個故障模式,列對應一種測試或一個測點。對于復雜系統,綜合考慮效率與計算成本,診斷推理模塊基于測試結果,應用TEAMS-RT算法對生成的D矩陣進行分析,實現對故障模式的判斷。

2.2.2 基于專家知識系統的故障診斷模塊

專家推理機[16]可將傳統的專家知識轉換為數條計算機可執行的機載設備故障診斷規則,具備靈活、精準、執行速度快等優勢。

本文將構建IF-THEN專家推理機作為本模塊實現的核心,同時為有效提高知識的復用性,設計了基于Python函數的統一規則編輯模板,可利用專家規則編輯模塊提供的濾波、閾值比較、邏輯組合判斷等功能,快速將抽象的專家知識編輯為診斷規則,并將其存儲至規則庫集中管理。基于專家知識系統的故障診斷流程如圖4所示。

圖4 基于專家知識系統的故障診斷流程

在對不同機載設備進行診斷應用時,先通過規則庫管理模塊檢索所需規則,再利用專家規則綁定模塊將規則與實際測點綁定。為完成機載系統的復雜診斷需求,專家規則綁定模塊可對測點綁定多條規則,從而完成專家推理機的構建。基于已構建的專家推理機,診斷結果監視模塊對機載設備的測試數據進行推理分析,并將診斷結果以表格形式進行可視化展示與存儲。

2.2.3 基于數據驅動的故障診斷模塊

鑒于數據驅動可只基于數據本身潛在的故障特征實現設備的異常檢測與故障預測,無須依賴先驗知識,可作為基于模型與基于專家知識診斷方法的補充。尤其在現場技術人員對機載設備結構與原理知識掌握不足、專家知識缺乏的情況下,可直接利用該模塊提供的功能完成設備的故障預測。基于數據驅動的故障診斷流程如圖5所示。

圖5 基于數據驅動的故障診斷流程

對于測試數據,為方便存儲與管理,設計數據的上傳與管理模塊實現對測試數據的自動載入和集中管理。對于診斷算法,由于機載系統的測試數據特點不同,其診斷算法多種多樣,為有效提高診斷算法的復用性,需要對診斷算法的輸入格式進行規范化處理,為提高基于數據診斷的可擴展性,設計訓練與測試腳本載入模塊,對不同測試數據加載多種類型的診斷算法,以滿足不同機載設備的診斷需求。

訓練模型與模型管理模塊基于已載入的測試數據與診斷算法進行算法模型的訓練,進而得到診斷模型。基于得到的診斷模型,執行測試與結果管理模塊完成對機載設備的異常檢測與故障預測。

2.2.4 用戶管理模塊與診斷結果管理模塊

機載系統種類多、數量大且異常復雜,需要多專業協同工作與管理,為保證平臺的有序運行,需要使用用戶管理模塊。平臺管理者按需通過用戶增、刪、改、查模塊添加新用戶,通過角色管理模塊完成用戶的角色設置,通過權限管理模塊完成角色權限設置,支撐數據、腳本、模型和結果的共享,提高診斷效率。

為方便共享診斷知識,設計診斷結果管理模塊對診斷數據進行統一管理。一方面設計診斷報告生成模塊,以規范輸出診斷報告;另一方面設計平臺使用記錄模塊與診斷結果歷史記錄模塊,將使用記錄與診斷結果緩存至后端服務器,以備故障知識的查詢或故障復現使用。

2.3 交互設計

為保證機載系統故障診斷過程中數據的有效傳遞和平臺的正常運行,系統設計平臺內外部交互方式如圖6所示。

圖6 平臺交互示意圖

平臺內部交互指通用故障診斷平臺前端瀏覽器與后端服務器之間的通信,綜合考慮機載系統故障診斷過程的可監視性和診斷結果的可檢索性,設計實現2種內部通信模式,具體包括:① 基于Axios的前后端異步通信模式,該模式由前端主動發起,主要用于服務器端數據的拉取、前端指令的提交與響應等,基于該模式可有效滿足指令、信息或文件的雙向流通;② 基于WebSocket的前后端實時通信模式[17],以支撐完成故障診斷推理的實時交互。

平臺外部交互指診斷平臺與外部環境的交互,主要表現為用戶與平臺前端的交互。鑒于基于模型或知識的機載系統故障診斷需依賴大量的專家先驗知識,以及基于數據驅動的機載系統故障診斷需依賴大量測試數據,為有效減少數據處理時間、提高故障診斷效率,外部交互設計預留支持.json、.xlsx和.py等格式文件的數據交換接口,以支持內外部數據的自動解析與轉換。診斷平臺前端接收用戶數據上傳指令,從本地讀取用于機載設備故障診斷模型建模所需的FMECA文件與專家知識等,自動解析成平臺所需的數據形式,并在瀏覽器界面展示,以便用戶查看并檢查數據的正確性。

3 3種診斷方法間的關系

3種診斷方法彼此獨立,在合適的條件下,可并行完成不同機載設備或診斷需求的故障診斷任務。當熟悉機載設備結果與原理、但測試數據不充裕時,可優先選擇基于多信號流圖模型的診斷方法完成對機載設備的故障診斷。

3種診斷方法相互聯系,生成的診斷結果可以相互利用,如圖7所示。在機載系統的診斷應用中,為有效保證診斷結果的可靠性、提升診斷效率,平臺支持3種方法的串聯組合使用。如針對以多信號流圖模型為主的機載系統故障診斷應用中,為有效提升診斷效率與診斷結果的準確性,可通過基于專家知識系統的故障診斷模塊與基于數據驅動的故障診斷模塊實現對測試數據的預處理,將其轉換為符合TEAMS-RT算法輸入的標準數據格式,再結合多信號流圖生成的D矩陣,從而有效完成機載設備的故障診斷。

圖7 3種方法之間的關系示意圖

4 應用實例與對比分析

4.1 應用實例

以某型號無人機大氣數據系統為例,應用本文平臺完成實際故障的診斷,以充分驗證平臺的有效性。此案例以基于模型的故障診斷為主體方法,使用規則推理機和基于數據驅動的故障診斷方法為TEAMS-RT算法提供測試向量,最終依靠TEAMS-RT算法得到診斷結果。詳細故障診斷流程如圖8所示。其中最右側通路為基于模型的故障診斷,中部通路為數據驅動部分,左側通路為規則推理部分。事實上,在一些其他情況下,也可以直接對規則推理機或數據驅動方法的結果賦予意義,直接作為故障診斷結果,如圖8中的(A)、(B)位置所示。

圖8 某型號無人機大氣數據系統的故障診斷流程

在建模方面,本案例選擇了靜壓引氣管測壓孔堵塞、靜壓受感器開路等11個常見的重要部件故障模式,以及靜壓機內測試、總溫探頭人工檢測等13個可執行的測試進行分析,然后通過軟件平臺的多信號流圖建模模塊完成了機載大氣數據系統的多信號流圖模型構建,模型與軟件界面如圖9所示。

圖9 機載大氣數據系統多信號流圖建模與軟件界面

其中TEAMS-RT算法的輸入來源包括:① 基于多信號流圖建模模塊自動生成D矩陣。② 多渠道診斷得到的布爾測試向量組,該向量組包括結合實際情況,通過構建含有13個規則的推理機,對傳感器已接收數據進行邏輯、門限等判斷,輸出基于專家知識系統模塊診斷的布爾測試向量;針對長時間的無標簽數據,采用獨立森林異常檢測算法進行檢測,得到基于數據驅動模塊診斷的布爾測試向量和外部導入平臺的其他布爾測試向量。

此案例生成的D矩陣與測試診斷結果如圖10所示。測試結果表明,平臺基于已生成的測試向量組與D矩陣執行TEAMS-RT算法成功將故障定位至靜壓引氣管路泄漏,這將充分證明研究設計的機載系統通用故障診斷軟件平臺的實際有效性。

圖10 D矩陣與測試診斷結果圖

4.2 對比分析

從平臺所支持的診斷策略、是否支持診斷知識共享,以及平臺的適用范圍即平臺通用性3個方面對提出的平臺與現有的機載設備故障診斷平臺進行比較,對比結果如表1所示。本文設計的故障診斷平臺不僅支持多策略的組合診斷,也支持不同診斷策略間診斷知識的共享與復用,可有效提升機載系統故障診斷平臺的通用性與診斷效率。

表1 本文平臺與現有機載設備故障診斷平臺對比表

5 結束語

針對機載系統,本文設計實現了一種通用故障診斷軟件平臺。該平臺通過搭載模型、數據、專家知識驅動的3種可獨立或組合運行的故障診斷方法,可有效滿足不同機載設備的診斷需求,提高機載設備的故障診斷效率,為后續機載系統的通用故障診斷測試研究提供了平臺技術支撐。